MODELOS

PROBABILÍSTICOS
Objetivo:

Conocer algunas de las

distribuciones más utilizadas en la
práctica de la ingeniería y
seleccionar la más adecuada para
analizar algún fenómeno aleatorio.
¿Qué son los modelos probabilísticos?

Son modelos matemáticos apropiados para

situaciones reales en condiciones específicas,
que describen el comportamiento de una
variable aleatoria.

También son conocidos con el nombre de:

Distribución de probabilidad
Los modelos o distribuciones
de las variables aleatorias:

- Continuos
- Discretos
Una gran cantidad de fenómenos pueden
modelarse utilizando distribuciones discretas o
continuas.

- En el lanzamiento de una moneda, ¿cuál es la

probabilidad de obtener un sol?

- En el lanzamiento de n monedas, ¿cuál es la

probabilidad de obtener x águilas?

- En un lienzo de tela, ¿cuál es la probabilidad de

observar x defectos?
DISTRIBUCIONES DISCRETAS
Las distribuciones discretas que estudiaremos en este
tema son:
- Uniforme
- Bernoulli
- Binomial
- Geométrica
- de Pascal
- Hipergeométrica
- de Poisson
DISTRIBUCIÓN
DISCRETA UNIFORME

La distribución discreta uniforme es una de las más

simples de todas las distribuciones discretas de
probabilidad.

Es aquella en la cual la v.a. asume cada uno de sus

valores con la misma probabilidad.
Sea X una variable aleatoria que toma los valores:
x1, x2,…, xk, con igual probabilidad

𝟏
𝒇𝑿 𝒙; 𝒌 = 𝒌
𝑥 = 𝑥1 , 𝑥2 , … , 𝑥𝑘

Entonces, la distribución es discreta uniforme

con parámetro k.

Se denota: 𝑿~𝒖𝒏𝒊𝒇𝒐𝒓𝒎𝒆(𝒌)
En la notación, 𝒇𝑿 𝒙; 𝒌 , la variable aleatoria es X,
mientras que k es un parámetro del cual depende la
distribución.

Puede utilizarse la notación indicando el

parámetro, o simplemente 𝒇𝑿 𝒙 .
Si X es una variable aleatoria con distribución
discreta uniforme, entonces: 𝒌

෍ 𝒙𝒊
0
𝝁𝑿 = 𝑬 𝑿 = 𝒊=𝟏

෍ 𝒙𝒊 − 𝝁𝑿 𝟐

𝟐 𝒊=𝟏
0
𝝈𝑿 =𝑽 𝑿 =
𝒌
ENSAYO DE BERNOULLI

Es el caso más sencillo para modelar un experimento.

Consiste en realizar un solo experimento en el cual
existen únicamente dos posibles resultados:

-Éxito: con probabilidad: p

-Fracaso: con probabilidad: q = 1- p

Por ejemplo:
Llamar por teléfono y ver si te contestan
Revisar un medicamento y ver si ya caducó
PROCESO DE BERNOULLI
Consiste en realizar n veces el ensayo de Bernoulli.

Cada ensayo es independiente uno de otro y la

probabilidad de éxito p permanece constante en
cada uno de ellos.

Por ejemplo:
Observar al final de una línea de producción si el
producto está defectuoso o no.
DISTRIBUCIÓN DE BERNOULLI

Con lo anterior, si X es la v. a. que

representa el número de éxitos que se
obtienen al realizar un ensayo de
Bernoulli, entonces X tiene una
distribución de Bernoulli, cuya
distribución de probabilidad es la
siguiente:
 𝒑; 𝐬𝐢 𝒙 = 𝟏
𝒇𝑿 𝒙 = ቐ𝟏 − 𝒑; 𝐬𝐢 𝒙 = 𝟎
𝟎; 𝐞𝐧 𝐨𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

𝑿~𝑩𝒆𝒓𝒏𝒐𝒖𝒍𝒍𝒊(𝒑)
 𝒙 𝟏−𝒙
𝒑 𝟏−𝒑 ; 𝒙 = 𝟎, 𝟏
𝒇𝑿 𝒙 = ቊ
𝟎; 𝐞𝐧 𝐨𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

𝝁𝑿 = 𝒑
𝟐
𝝈𝑿 = 𝒑𝒒
La limitante de la distribución Bernoulli es que sólo se
tienen dos resultados y el experimento sólo se realiza una
vez, por lo que sirve para el lanzamiento de una moneda
(que también se puede modelar con distribución
uniforme si la moneda es justa) o para el lanzamiento de
un dado pero únicamente cuando interesa la observación
de un número en particular contra la no ocurrencia de
dicho número, etc.
La principal utilidad de la distribución de Bernoulli se
obtiene cuando se generaliza la definición de la variable
aleatoria de Bernoulli.

A partir del proceso de Bernoulli se pueden definir otras

variables aleatorias, como la binomial, la geométrica y
la de Pascal.
DISTRIBUCIÓN BINOMIAL
Al emplear el proceso de Bernoulli, es decir, al realizar
ensayos, nos puede interesar contabilizar el número
total de éxitos que se observan en los ensayos.

Cuando esto nos interesa se define

la variable aleatoria Binomial.
DISTRIBUCIÓN BINOMIAL
Si definimos a la variable X como el número de éxitos
obtenidos al realizar n veces el ensayo de Bernoulli.
Entonces X recibe el nombre de variable aleatoria
binomial, con distribución

𝒏 𝒙
𝒑 𝟏 − 𝒑 𝒏−𝒙 ; 𝒙 = 𝟎, 𝟏, 𝟐, … 𝒏
𝒇𝑿 𝒙 = ቐ 𝒙
𝟎; 𝐞𝐧 𝐨𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

𝑿~𝑩𝒊𝒏𝒐𝒎𝒊𝒂𝒍(𝒏, 𝒑)
DISTRIBUCIÓN BINOMIAL
Para una variable aleatoria X con distribución
binomial y parámetros n y p, se tiene:

𝝁𝑿 = 𝒏𝒑

𝟐
𝝈𝑿 = 𝒏𝒑𝒒
DISTRIBUCIÓN GEOMÉTRICA

Se pregunta por la cantidad de ensayos

necesarios para obtener el primer éxito.

Implica que realizamos repetidamente el ensayo

de Bernoulli y nos detenemos al obtener el
primer éxito.
DISTRIBUCIÓN GEOMÉTRICA

Cada ensayo es realizado de manera

independiente uno de otro y la probabilidad de
éxito p permanece constante en cada uno de
ellos.
DISTRIBUCIÓN GEOMÉTRICA

Si definimos una variable aleatoria X como el número

de ensayos de Bernoulli, independientes, necesarios
para obtener el primer éxito, donde la probabilidad de
éxito es p,

Entonces:
X tiene una distribución geométrica con parámetro p.

𝑿~𝑮𝒆𝒐𝒎é𝒕𝒓𝒊𝒄𝒂(𝒑)
DISTRIBUCIÓN GEOMÉTRICA

𝒒𝒙−𝟏 𝒑; 𝒙 = 𝟏, 𝟐, … , 𝒏
𝒇𝑿 𝒙 = ቊ
𝟎; 𝐞𝐧 𝐨𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

𝟏 𝟏−𝒑
𝝁𝑿 = 𝟐
𝝈𝑿 =
𝒑 𝒑𝟐
DISTRIBUCIÓN DE PASCAL
(BINOMIAL NEGATIVA)
El interés es la cantidad de ensayos necesarios para
obtener r éxitos.

Si la v. a. X se define como el número de

ensayos de Bernoulli necesarios para obtener
exactamente r éxitos, (cada uno de los ensayos
tiene una probabilidad de éxito p), entonces:

X tiene una distribución de Pascal con

parámetros r y p.
DISTRIBUCIÓN DE PASCAL
(BINOMIAL NEGATIVA)

𝒙−𝟏 𝒓 𝒙−𝒓
𝒑 𝟏−𝒑 ; 𝒙 = 𝒓, 𝒓 + 𝟏, …
𝒇𝑿 𝒙 = ቐ 𝒓 − 𝟏
𝟎; 𝐞𝐧 𝐨𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

𝑿~𝑷𝒂𝒔𝒄𝒂𝒍(𝒓, 𝒑)
DISTRIBUCIÓN DE PASCAL
(BINOMIAL NEGATIVA)

La media y la variancia de una variable

aleatoria con distribución de Pascal son:

𝒓 𝟐 𝒓𝒒
𝝁𝑿 = 𝝈𝑿 =
𝒑 𝒑𝟐
DISTRIBUCIÓN HIPERGEOMÉTRICA

Se emplea cuando se desea calcular la

probabilidad de obtener x éxitos en n ensayos,
pero la probabilidad en cada ensayo no se
mantiene constante, sino que se ve modificada
en función de las extracciones anteriores.
DISTRIBUCIÓN HIPERGEOMÉTRICA

Así, el interés es realizar el cálculo de la

probabilidad de obtener x éxitos en n
ensayos, extraídos de una población de
tamaño N.
DISTRIBUCIÓN HIPERGEOMÉTRICA

DIFERENCIAS IMPORTANTES

BINOMIAL HIPERGEOMÉTRICA

- Considera que la población es

finita de tamaño N (y sin
Considera que la reemplazo).
población es infinita. - En ella existen r elementos
que satisfacen la característica
de interés (éxitos).
DISTRIBUCIÓN HIPERGEOMÉTRICA
La variable X se define como el número de éxitos
en n ensayos extraídos de una población de
tamaño N, con r elementos que tienen la
característica de interés.
𝒓 𝑵−𝒓
𝒙 𝒏−𝒙 ; 𝒙 = 𝟎, 𝟏, 𝟐, … 𝒏
𝒇𝑿 𝒙 = 𝑵
𝒏
𝟎; 𝐞𝐧 𝐨𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

𝑿~𝑯𝒊𝒑𝒆𝒓𝒈𝒆𝒐𝒎é𝒕𝒓𝒊𝒄𝒂(𝒓, 𝒏, 𝑵)
DISTRIBUCIÓN HIPERGEOMÉTRICA

𝒓
𝝁𝑿 = 𝒏
𝑵

𝟐 𝒓 𝒓 𝑵−𝒏
𝝈𝑿 = 𝒏 𝟏−
𝑵 𝑵 𝑵−𝟏
EXPERIMENTO DE POISSON

Los experimentos en donde la variable aleatoria X

representa el número de resultados (éxitos) que
ocurren durante un intervalo dado o región
específica se llaman experimentos de Poisson.
PROPIEDADES DEL PROCESO DE POISSON
El proceso de Poisson cumple con las siguientes propiedades:

1.Independencia. El número de ocurrencias en cualquier

intervalo, es independiente del número de ocurrencias en
cualquier otro intervalo.

2. Unicidad. La probabilidad de que ocurra más de un evento en

un intervalo de tiempo muy pequeño es despreciable.

3. Estacionaridad. La probabilidad de que ocurra un evento en

un intervalo de longitud t, es λt, con λ constante. (λ recibe el
nombre de intensidad del proceso).
DISTRIBUCIÓN DE POISSON

 La distribución de Poisson, surge a partir del proceso de

Poisson.

 Es una de las distribuciones discretas con mayor

aplicación.

 Se emplea cuando se desea calcular la probabilidad de

ocurrencias de un evento en un intervalo continuo
determinado.
DISTRIBUCIÓN DE POISSON
X representa el número de éxitos que ocurren en un
intervalo dado.
La función de probabilidad es:
λ𝒙 −λ
𝒇𝑿 𝒙 = ቐ 𝒙! 𝒆 ; 𝐬𝐢 𝒙 = 𝟎, 𝟏, …
𝟎; 𝐞𝐧 𝐨𝐭𝐫𝐨 𝐜𝐚𝐬𝐨

𝑿~𝑷𝒐𝒊𝒔𝒔𝒐𝒏(λ)

donde: λ= número promedio de eventos por unidad del intervalo

(éxitos/unidad intervalo).
DISTRIBUCIÓN DE POISSON

𝝁𝑿 = λ
𝟐
𝝈𝑿 =λ
APROXIMACIÓN DE LA DISTRIBUCIÓN
BINOMIAL A LA DE POISSON

La distribución de Poisson se puede ver como

un caso límite de la distribución binomial, ya
que si en una distribución binomial, n es
bastante grande y p es bastante pequeño, las
condiciones comienzan a simular las
implicaciones del espacio continuo del Proceso
de Poisson.
APROXIMACIÓN DE LA DISTRIBUCIÓN
BINOMIAL A LA DE POISSON

Por lo tanto, cuando n es grande y p

pequeña, las probabilidades binomiales se
pueden aproximar mediante la distribución
de Poisson utilizando λ=np.
APROXIMACIÓN DE LA DISTRIBUCIÓN
BINOMIAL A LA DE POISSON

Dos reglas aceptables para emplear la

aproximación son:

1. n ≥ 20 y p ≤ 0.05
2. n ≥ 100 y np ≤ 10.

En general, mientras más grande sea n y

mas pequeña sea p, mejor será la
aproximación.
Para resolver problemas de modelos discretos
se recomienda seguir los siguientes tres pasos:

1. Definir la variable aleatoria en estudio.

2. Identificar al modelo al que pertenece la

variable definida.

3. Aplicar las fórmulas correspondientes para el

cálculo de probabilidades, valor esperado y
variancia.